边界检测是无线传感器网络（Wireless Sensor Networks，WSNs）事件监测应用领域中非常重要的研究内容之一。在事件监测过程中，当无线传感器网络检测到兴趣事件发生之后，人们最关心的问题就是事件的覆盖范围以及事件边界的分布情况是怎样的。针对该需求，国内外学者做了大量研究工作。由于无线传感器网络节点存在硬件脆弱、资源与能量有限以及易受到环境影响等特点，很容易导致故障节点的产生，而故障节点的错误读数极大的降低了事件边界检测的准确性。此外现存的边界检测算法由于本身所采用的算法具有缺陷，存在检测准确率低，误判率高，边界厚度不可控等问题，使其在实际应用中受限。本文主要针对以上问题，研究高效的边界检测方案，进行了以下创新工作：首先，本文提出了一种基于惩罚信誉模型的故障节点检测算法（Reputation Modelbased Fault Detection Algorithm， RMFD）。该算法采用已有的空间相关性思想，并引入了一种具有惩罚机制的信誉模型来量化节点的故障程度，通过多周期动态调整节点信誉，并根据节点信誉值判定其是否为故障节点。在信誉调整过程中，通过惩罚机制加重对连续多次提供不可信测量读数节点信誉的扣除额度，以达到降低检测时延的目的。结果显示，该算法在保证较高的识别率同时，误判率、检测时延以及能耗都有明显降低。然后，本文提出了一种基于曲线拟合的边界节点识别算法（Curve Fitting basedBoundary Detection Algorithm， CFBD）。该算法利用事件属性值梯度渐变的特点，在节点邻域内找出感知读数最接近事件发生阈值的传感器节点，然后通过曲线拟合技术对这些节点坐标进行拟合得到事件边界曲线方程，最后通过点到曲线间最短距离来直观判断节点是否为边界节点。验结果表明，该算法的在识别率、误判率、以及边界厚度控制方面都有较好的表现。最后,本文综合这两个创新点，得到了一种高效的边界检测方案。首先利用RMFD对网络中故障节点进行检测排除，在此基础上使用CFBD进行有效的边界节点检测。通过仿真实验，该综合方案在CFBD的基础上进一步提高了对边界节点的识别率，降低了对边界节点的误判率。